生成式模型
能够学习数据分布并生成新内容（如文本、图像、音频）的机器学习模型，在城市场景中可用于辅助场景理解与预案生成。
时间轴 (近 90 天)
从计算复杂度角度看，判别式模型与生成式模型的两类任务（不可知学习与多精度）是等价的。
生成式模型（如大语言模型）擅长理解自然语言描述的情绪、场景与意图，可用于生成主题标签、解释推荐理由或对话式引导偏好。
重排序阶段不必依赖庞大的生成式模型，小尺寸决策模型经过恰当蒸馏即可达到更好效果。
生成式模型是能够根据训练数据分布生成全新内容（如文本、图像、音频）的机器学习模型。
Meta 在 AI 助手与生成式模型上积累的能力，为 AI 电子宠物体验提供了底层支撑。
生成式模型可能生成“看起来像”湍流的场，却无法正确复现能量级联或结构函数。
生成式模型（如 GPT、Claude 等 LLM）通过概率采样逐词生成文本，输出具有开放性和多样性，但同一输入可能得到不同结果。
生成式模型适合创作、对话等开放任务；非生成式模型更适合分类、规划、验证等需要可重复、可审计结果的场景。
生成式模型在图标设计场景中存在输出一致性难以保证和可控性有限的固有短板。
生成式模型要基于已有像素“凭空”合成原本不存在的眼部细节，包括虹膜、睫毛、眼睑阴影和皮肤纹理。
还有 18 条时间轴事件
全部知识事实 (20)
生成模型在小样本时更具优势，判别模型在大数据量时通常表现更好
60%待验证从计算复杂度角度看，判别式模型与生成式模型的两类任务（不可知学习与多精度）是等价的。
50%待验证生成式模型（如大语言模型）擅长理解自然语言描述的情绪、场景与意图，可用于生成主题标签、解释推荐理由或对话式引导偏好。
50%待验证重排序阶段不必依赖庞大的生成式模型，小尺寸决策模型经过恰当蒸馏即可达到更好效果。
50%待验证生成式模型是能够根据训练数据分布生成全新内容（如文本、图像、音频）的机器学习模型。
50%待验证Meta 在 AI 助手与生成式模型上积累的能力，为 AI 电子宠物体验提供了底层支撑。
50%待验证生成式模型可能生成“看起来像”湍流的场，却无法正确复现能量级联或结构函数。
50%待验证生成式模型（如 GPT、Claude 等 LLM）通过概率采样逐词生成文本，输出具有开放性和多样性，但同一输入可能得到不同结果。
50%待验证生成式模型适合创作、对话等开放任务；非生成式模型更适合分类、规划、验证等需要可重复、可审计结果的场景。
50%待验证生成式模型在图标设计场景中存在输出一致性难以保证和可控性有限的固有短板。
50%待验证生成式模型要基于已有像素“凭空”合成原本不存在的眼部细节，包括虹膜、睫毛、眼睑阴影和皮肤纹理。
50%待验证生成式模型加速模拟的关键挑战是物理保真度验证，生成样本必须在统计上与真实物理一致，否则会引入系统性偏差。
50%待验证生成式模型通常通过大量图像隐式学习遮挡规律，但空间推理仍依赖统计先验而非严格几何计算。
50%待验证纯生成式模型容易编造内容，其失败往往无法被察觉；而可追溯的工作流把不确定性暴露出来，供使用者自行判断可信度。
50%待验证神经网络模型往往过度自信，其概率输出不能真实反映预测的可信度，存在校准问题
50%待验证生成式模型存在happy-path偏见，倾向于产出干净的线性流程而忽略防御性容错逻辑
50%待验证生成式模型的输出本质上也是在庞大词表上做连续的分类选择，生成和分类之间的界限比产品宣传想象的模糊
50%待验证在风险中性MDP中，基于生成式模型的最优样本复杂度已被证明为Õ(SA/((1-γ)^3·ε^2))，由Azar等人于2013年给出
50%待验证生成式模型假设由Kakade等人于2003年系统引入
50%待验证论文假设可以访问MDP的生成式模型，即算法能够对任意状态-动作对进行采样查询
50%